论文部分内容阅读
作为当今我国经济发展的支柱产业之一,建筑业的可持续发展及在施工现场能否安全生产关系着中国国民的切身利益。近几年来,在我国的建筑施工工程中常有重大伤亡事故发生,事故伤亡人数常年来一直居高不下,如何预防和降低工地上的工人安全事故引发越来越多的人关注。由于建筑工地施工过程呈现多样性、复杂化、高空作业多、建筑工人整体素质不高、建筑市场多样化等特点,再加上在工地施工及生产过程中无法避开的不确定因素,以及作业过程中和施工环境的复杂程度,所以工地潜在的安全隐患日渐增长。如果处理不当极易引发其他事故,亦会引发人民财产损失,甚至会造成社会动荡。根据相关资料,在工地施工现场,重物坠落砸伤工人,工人高空坠落、跌跤、摔倒时有发生,被称作是建筑施工工地的4大伤害,导致伤亡事故常年居高不下。因此,若要从根本上减少建筑工程伤亡事故的发生,保护工人人身健康,我们必然要采取相应的措施和方法。经调研,我们发现在很多情况下如被重物砸倒、跌倒、摔跤、高空坠落等在很多时候不能被人发现,即使被人发现也有很多是错过了最佳的救治时间。本文就建筑施工工地中的工人人身安全保护问题提出了适用于建筑工地的人身安全保护的可行性系统。可以更加高效的保护工人的人身安全,能够在事故出现的第一时间发出警告,在监测到工人出现事故时能够在第一时间反馈到系统中,以便人们在最快时间内采取相关措施对出事工人采取救治。本文在技术方面利用机器学习算法、RBF神经网络,实现了在工人发生高空坠落、坠物砸倒、跌倒等施工事故时进行警报提醒。通过分析采集到的数据,结合工人事故姿势如有意识或无意识行为包括脱掉安全帽、被重物砸到、摔跤跌倒、高空坠落等,使用机器学习算法中的RBF神经网络对这些施工事故下的行为姿势进行判断分析。RBF是一个监督学习的过程。监督学习代表训练数据拥有标记信息,即训练样例的结果信息,在本文系统建立的模型中,总共有以下三种标记:正常作业活动姿势、跌倒、高空坠落。硬件方面使用的是重力加速度传感器、陀螺仪传感器、报警器、蜂鸣器、指示灯等。目前市面上越来越多出现了老人防跌倒的装置,其技术的实现大多是对传感器收集来的加速度和角速度设定阈值,超过阈值就会发出警报,而简单的阈值设定无法满足工地上的工人的动作复杂性,所以本文在算法分析时运用了RBF神经网络。将RBF神经网络应用到工人事故姿势识别中,实验结果证明该算法在事故姿势识别领域的可用性和准确性在现有基础上提高了20%;随后本文结合工地实际情况对原算法进行了分析,指出了其中不足,基于目前的算法进行了改进,后来,通过进行测试验证了算法改进后的有效性,在分类准确性和计算效率方面都有了很大提高。突破了建筑工人无法监控工人人身安全的瓶颈,对工人做出实时监控与保护技术创新点,对于建筑工人的人身安全提供了多一层的保障,能够在建筑工地安全保障方面做出力所能及的贡献。在测试阶段,本文收集了500个采样数据、24小时×7天运行模块等以及安全事故姿态数据验证了本系统中方法的有效性。此外,与其它机器学习算法例如双流卷积神经网络(Two-Stream CNN)跌倒识别方法、多权值神经网络跌倒识别方法相比,实验结果表明,RBF神经网络在人体跌倒应用中更加具有优越性。